Mitigation deterrence and unrealistic expectations: the future costs of forest carbon offsets
Notice bibliographique
Résumé
• Forest offsets decrease carbon prices but deter renewables, carbon capture, and innovation. • Forest-sink losses raise mitigation costs up to 0.5 percentage points versus no offsets. • Low-income regions face up to two percent higher costs when forest offsets fail. • Offset reliance creates moral hazard and undermines fair paths to net zero. This study examines the economic and societal impacts of using Forest Carbon Offsets (FCO) as a negative emissions technology in climate mitigation strategies. FCO includes afforestation, reforestation, and reduced emissions from deforestation and degradation (REDD) initiatives aimed at achieving global climate targets, such as limiting temperature rise to 2 °C by 2100. Despite their potential, challenges such as the impermanence of carbon storage, overestimation of carbon removal, and mitigation deterrence—where reliance on FCO reduces other climate actions—persist. Using the WITCH integrated assessment model, this study analyzes the effects of FCO on energy sector investments, carbon pricing, and mitigation costs under scenarios with perfect foresight, myopic behavior, and varying degrees of forest carbon loss (FCL). Results indicate that heavy reliance on FCO leads to mitigation deterrence, with renewable and carbon capture investments decreasing by 8.6 % and 31 %, respectively, while fossil fuel investments increase by 1 %. Scenarios with 100 % FCL by 2045 could increase global GDP loss by 0.5 percentage points, surpassing the costs of not using FCO. Non-OECD countries, more vulnerable with lower economic resilience, could face mitigation costs up to 1.7 percentage points higher than OECD countries in similar FCL scenarios, raising equity concerns in climate policy. This research underscores the need for careful FCO management, accurate carbon sequestration estimates, and equitable policy frameworks to prevent moral hazards and ensure effective climate action. Clear definitions of which emissions can be offset versus those requiring direct reduction are essential to prevent over-reliance on offsets and maintain a balanced mitigation approach.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».